CN111931827A - 基于多传感器信息融合的液压泵健康状况检测系统 - Google Patents

Abstract

一种基于多传感器信息融合的液压泵健康状况检测系统，包括：传感器模块、数据采集模块、信息融合模块和故障诊断模块，传感器模块将对应传感器放置于柱塞泵对应的位置中，数据采集模块采集柱塞泵的压力信号、流量信号、温度信号、扭矩信号，并将其转为数字信号，信息融合模块对信号预处理得到低维度统计信息，并使用分类器获得统计信息的诊断结果，将其与特征筛选方法获得的信息进行融合得到合并特征，故障诊断模块使用多粒度级联森林对合并特征进行健康状况诊断，获得样本的健康状况。本发明采用多特征融合和多粒度级联森林进行诊断，将获取的多传感器特征在筛选后与基本分类器方法获得的概率向量相结合，之后通过多粒度级联森林模型进行健康诊断，从而获得最终的诊断结果。

Description

基于多传感器信息融合的液压泵健康状况检测系统

技术领域

本发明涉及的是一种液压设备检测领域的技术，具体是一种基于多传感器信息融合的液压泵健康状况检测系统。

背景技术

液压泵的健康状态对于液压系统的正常工作具有重要的影响，设备运行的稳定性、可靠性和液压系统密切相关。因此对液压泵进行健康状态的准确评估，对于工程设备具有重要的现实意义。然而，对于液压泵的健康评估基于单一振动信号，会存在需要的数据量大，诊断结果波动大，准确率低的情况。

总体来说，基于多个传感器信号的方法仍是故障诊断中有效的方法之一。其结果相比于单一的振动信号，准确率高，但缺点在于信息量大，常见融合方式多，难以挑选比较合适的融合方法，并且多传感器信号的融合会出现组合爆炸的情况。将信号融合中的特征级融合和决策级融合相结合，并用多粒度级联森林进行液压泵健康状况的诊断的方法则是对此问题的一个解决方案。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于多传感器信息融合的液压泵健康状况检测系统，采用多特征融合和多粒度级联森林进行诊断，将获取的多传感器特征在筛选后与基本分类器方法获得的概率向量相结合，之后通过多粒度级联森林模型进行健康诊断，从而获得最终的诊断结果。

本发明是通过以下技术方案实现的：

本发明涉及一种基于多传感器信息融合的液压泵健康状况检测系统，包括：传感器模块、数据采集模块、信息融合模块和故障诊断模块，其中：传感器模块将对应传感器放置于柱塞泵对应的位置中，数据采集模块采集柱塞泵的压力信号、流量信号、温度信号、扭矩信号，并将其转为数字信号，信息融合模块对信号预处理得到低维度统计信息，并使用分类器获得统计信息的诊断结果，将其与特征筛选方法获得的信息进行融合得到合并特征，故障诊断模块使用多粒度级联森林对合并特征进行健康状况诊断，获得样本的健康状况。

所述的分类器，具体是指：随机森林、向量机、多层感知器和SVC。

所述的传感器模块，具体是指：压力传感器、流量传感器、温度传感器和扭矩转速仪。

所述的数据采集模块将多个压力传感器分别放置在泵出口，泵泄油口，泵吸油口处，将多个流量传感器放置在泵出口，泵泄油口，泵吸油口处，将温度传感器放置在油箱，泵出口，泵泄油口中，利用扭矩转速仪测量电机的扭矩和转速。

所述的信息融合模块包括：时域特征采集单元和特征融合单元，其中：时域特征采集单元对采集的统计特征形成初步特征；特征融合单元使用随机森林、向量机、多层感知器和SVC分类器对初步特征进行分类预测获得预测概率向量并使用随机森林、Fisher分数、相关系数挑选高重要度特征，最后将预测概率向量合并至高重要度特征后面并形成一维向量，作为最终的特征。

所述的统计特征，具体是指：流量、温度、压力、扭矩信号时域中的均值、峰峰值、峰值、整流平均值、均方根值、标准差、波形因子、峰值因子、脉冲因子、裕度因子、峭度、偏度共12维。

所述的分类预测，具体是指：将健康状况已知的泵的初步特征作为训练数据，训练随机森林、向量机、多层感知器和SVC分类器，获得待检测泵的类别概率，以实现分类预测。

所述的高重要度特征，优选为重要度最高的5个初步特征，具体通过随机森林、Fisher分数、相关系数中任意一种方法获得所有特征的重要度信息，计算重要度归一化后的方差。如果重要度的方差越大，则证明此方法下获得的重要度更容易将不同类别的样本进行区分，所以应给此方法的重要度以较高的权重。三种重要度评价方法中最重要的前10个特征根据重要度赋予从10到1的分数，单个特征最终的重要度是其在三种方法下获得的分数乘以方法所对应的权重所得到的，挑选最终重要度最高的5个特征作为最重要的5个特征。

所述的故障诊断模块包括：多传感器信号组合单元和多粒度级联森林诊断单元，其中：多传感器信号组合单元将不同传感器信号进行组合得到诊断预测最佳的传感器信号组合，多粒度级联森林诊断单元将多粒度扫描结构和级联森林结构结合，利用随机森林和完全随机森林作为基分类器，对合并特征进行分类，获得液压泵健康状况的诊断结果。

所述的诊断预测最佳，具体是指：经过实际实验，将泵出口的流量信号和泵出口，泵泄油口处的温度信号作为最初所采集的信号，此时的故障诊断准确度高，并且诊断所需时间最少，因此为本发明选择的最佳诊断组合。

技术效果

本发明整体解决了液压泵健康评估中传感器信息融合方式多所导致的信息爆炸问题。与现有信息融合技术常需要与预测样本数据量接近的训练样本数量相比，本发现可以在样本量少的情况下保证健康状态的检测具有较高的准确性；现有信息融合技术常单独采用特征级融合或者决策级融合，本发明将特征级融合和决策级融合相结合，能够保留信息源更多的信号；现有信息融合技术常将所有信号的特征直接进行融合，容易造成信号冗余，降低后续诊断的性能，本发明通过特征筛选方法对多信号源得到的特征进行筛选，获得了变化比较明显的特征，保留信息的同时缩减了信号的冗余程度，并且本发明考虑了不同算法计算重要度时的区别，从而提高了信息筛选过程中的鲁棒性；本发明提供了诊断预测最佳方案，仅采用两个信号源即可达到5个及以上信号源才能够达到的效果，能够以较低的成本实现准确的预测。

附图说明

图1为本发明系统示意图；

图2为实施例流程图。

具体实施方式

如图1所示，为本实施例涉及一种基于多传感器信息融合的液压泵健康状况检测系统，包括：传感器模块、数据采集模块、信息融合模块和故障诊断模块，其中：传感器模块将对应传感器放置于柱塞泵对应的位置中，数据采集模块采集柱塞泵的压力信号、流量信号、温度信号、扭矩信号，并将其转为数字信号，信息融合模块对信号预处理得到低维度统计信息，并使用随机森林、向量机、多层感知器以及SVC分类器获得统计信息的诊断结果，将其与特征筛选方法获得的信息进行融合得到合并特征，故障诊断模块使用多粒度级联森林对合并特征进行故障诊断，获得样本的健康状况。

如图2所示，本实施例涉及上述系统的健康状况检测方法，包括信息融合过程和故障诊断过程，其中：

信息融合过程包括：初步特征筛选和概率向量模预测，特征筛选将初步特征利用随机森林，Fisher分数，相关系数进行特征重要度筛选，将重要度最高的5个特征组成特征筛选结果；概率向量预测过程采用随机森林、向量机、多层感知器、SVC分类器共4种以获取初始特征的类别概率向量，拼接得到特征筛选结果。

故障诊断过程包括：将多粒度扫描与级联森林结构组成多粒度级联森林结构，将概率向量预测结果和特征筛选结果拼接作为输入量输入多粒度级联森林中，构建液压泵健康诊断模型，从而对待预测的液压泵进行分类，以实现健康状况的评估。

为了验证本方法在不同磨损程度的液压泵诊断中的准确性，将多个压力传感器分别放置在泵出口，泵泄油口，泵吸油口处，将多个流量传感器放置在泵出口，泵泄油口，泵吸油口处，将温度传感器放置在油箱，泵出口，泵泄油口中，利用扭矩转速仪测量电机的扭矩和转速。通过PCI-E8025十六路数据采集卡进行采集，模拟信号采样频率为12.5kHz，不同液压泵样本进行800秒的实验，抽取稳定状态的数据作为最初分析的样本，获得前述所列的时域统计信息作为样本的初步特征。经过特征重要度筛选可以得到最重要的5个特征为泵泄油口温度的均方根值，泵泄油口温度的整流平均值，泵出口温度的均方根值，泵出口温度的整流平均值，泵出口流量的整流平均值。经过传感器融合和多粒度级联森林对液压泵结果进行诊断，在训练样本比例为0.5％，测试样本的比例为95.5％情况下，健康状态评估的精确率仍在99.5％以上。

综上，本发明基于多传感器信息融合的液压泵健康状况检测系统将特征级融合与决策级融合相结合，能够更有效的利用多个传感器采集的信息，增加诊断结果的准确性与可靠性，解决单类传感器信息不准确，结果波动的问题。本发明能够在确保诊断精确度的前提下降低诊断的成本；在训练样本比例极少(0.5％)的情况下，液压泵磨损状况的分类比例仍能高达99.5％。

上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (8)

1.一种基于多传感器信息融合的液压泵健康状况检测系统，其特征在于，包括：传感器模块、数据采集模块、信息融合模块和故障诊断模块，其中：传感器模块将对应传感器放置于柱塞泵对应的位置中，数据采集模块采集柱塞泵的压力信号、流量信号、温度信号、扭矩信号，并将其转为数字信号，信息融合模块对信号预处理得到低维度统计信息，并使用分类器获得统计信息的诊断结果，将其与特征筛选方法获得的信息进行融合得到合并特征，故障诊断模块使用多粒度级联森林对合并特征进行健康状况诊断，获得样本的健康状况；

所述的分类器，具体是指：随机森林、向量机、多层感知器和SVC；

所述的传感器模块，具体是指：压力传感器、流量传感器、温度传感器和扭矩转速仪。

2.根据权利要求1液压泵健康状况检测系统，其特征是，所述的数据采集模块将多个压力传感器分别放置在泵出口、泵泄油口和泵吸油口处，将多个流量传感器放置在泵出口、泵泄油口和泵吸油口处，将温度传感器放置在油箱、泵出口和泵泄油口中，利用扭矩转速仪测量电机的扭矩和转速。

3.根据权利要求1液压泵健康状况检测系统，其特征是，所述的信息融合模块包括：时域特征采集单元和特征融合单元，其中：时域特征采集单元对采集的统计特征形成初步特征；特征融合单元使用随机森林、向量机、多层感知器和SVC分类器对初步特征进行分类预测获得预测概率向量并使用随机森林、Fisher分数、相关系数挑选高重要度特征，最后将预测概率向量合并至高重要度特征后面并形成一维向量，作为最终的特征；

所述的统计特征，具体是指：流量、温度、压力、扭矩信号计算时域中的均值、峰峰值、峰值、整流平均值、均方根值、标准差、波形因子、峰值因子、脉冲因子、裕度因子、峭度、偏度共12维。

4.根据权利要求3液压泵健康状况检测系统，其特征是，所述的分类预测，具体是指：将健康状况已知的泵的初步特征作为训练数据，训练随机森林、向量机、多层感知器和SVC分类器，获得待检测泵的类别概率，以实现分类预测。

5.根据权利要求3液压泵健康状况检测系统，其特征是，所述的高重要度特征，具体是指：为重要度最高的5个初步特征，具体通过随机森林、Fisher分数、相关系数中任意一种方法获得所有特征的重要度信息，计算重要度归一化后的方差，如果重要度的方差越大，则证明此方法下获得的重要度更容易将不同类别的样本进行区分，所以应给此方法的重要度以较高的权重，三种重要度评价方法中最重要的前10个特征根据重要度赋予从10到1的分数，单个特征最终的重要度是其在三种方法下获得的分数乘以方法所对应的权重所得到的，挑选最终重要度最高的5个特征作为最重要的5个特征。

6.根据权利要求1液压泵健康状况检测系统，其特征是，所述的故障诊断模块包括：多传感器信号组合单元和多粒度级联森林诊断单元，其中：多传感器信号组合单元将不同传感器信号进行组合得到诊断预测最佳的传感器信号组合，多粒度级联森林诊断单元将多粒度扫描结构和级联森林结构结合，利用随机森林和完全随机森林作为基分类器，对合并特征进行分类，获得液压泵健康状况的诊断结果。

7.根据权利要求1液压泵健康状况检测系统，其特征是，所述的诊断预测最佳，具体是指：经过实际实验，将泵出口的流量信号和泵出口，泵泄油口处的温度信号作为最初所采集的信号，此时的故障诊断准确度高，并且诊断所需时间最少，因此为本发明选择的最佳诊断组合。

8.根据权利要求1～7中任一所述系统的液压泵健康状况检测方法，其特征在于，包括信息融合过程和故障诊断过程，其中：

信息融合过程包括：初步特征筛选和概率向量模预测，特征筛选将初步特征利用随机森林，Fisher分数，相关系数进行特征重要度筛选，将高重要度特征组成特征筛选结果；概率向量预测过程采用随机森林、向量机、多层感知器、SVC分类器以获取初始特征的类别概率向量，拼接得到特征筛选结果；

故障诊断过程包括：将多粒度扫描与级联森林结构组成多粒度级联森林结构，将概率向量预测结果和特征筛选结果拼接作为输入量输入多粒度级联森林中，构建液压泵健康诊断模型，从而对待预测的液压泵进行分类，以实现健康状况的评估。

Images